DSA：用于快速自回归视频生成的动态步骤分配

视频扩散Transformer已经实现了最先进的视觉质量，但其高推理成本仍然是实时应用的主要瓶颈。最近的 蒸馏 框架产生了延迟时间较短的自回归视频扩散模型，但这些模型仍然使用每帧固定数量的去噪步骤，浪费了可预测帧的计算量和对具有挑战性的帧的细化不足。我们提出了 DSA，一种用于 AR 视频扩散的置信引导自适应计算框架。 DSA 引入了一个轻量级置信头，在分布匹配 蒸馏 目标下与生成器联合训练，以估计每帧去噪的可靠性。在推理时，该置信信号动态调整扩散步骤的数量：简单的帧提前终止以提高速度，而复杂的帧则接受额外的细化。我们的方法不需要额外的视频数据，不需要启发式方法，并且几乎不需要架构修改。实验表明，DSA 实现了实时自回归视频生成，在 H100 GPU 上达到 22.63 FPS，延迟为亚秒级，同时与最近的自回归和双向视频扩散模型相比，保持有竞争力或优越的 VBench 质量。我们的结果表明，置信引导的自适应采样为交互式视频生成提供了有效且实用的途径。